1959 : Ingénieur MLOps au travail

Ce rôle est apparu lorsque les entreprises ont découvert qu’un bon modèle hors ligne n’est pas la même chose qu’un produit utile. Les données changent, les codes changent, les coûts augmentent, un modèle peut se dégrader discrètement et une prédiction peut nécessiter une explication ou une révision. Les chercheurs de Google ont décrit cette accumulation de dépendances et de travaux de maintenance comme une « dette technique cachée » dans les systèmes d’apprentissage automatique en 2015 ; l’industrie a ensuite adopté MLOps comme raccourci pour gérer délibérément cette dette.

Le MLOps est bien payé car il nécessite de l'ampleur et parce que de nombreuses organisations tentent de déployer l'IA plus rapidement que leurs pratiques opérationnelles ne mûrissent. L’IA générative a accru la demande en matière d’évaluation, d’observabilité et de contrôle d’accès. Il automatise également certaines parties du travail (modèles de pipeline, configuration et diagnostics) afin que la compétence durable consiste à concevoir des systèmes fiables et à décider quelles preuves sont suffisantes pour faire confiance à un modèle.

Un ingénieur MLOps transforme les expériences d'apprentissage automatique en services reproductibles et surveillés. Ils créent des pipelines de données et de formation, emballent des modèles, les déploient dans des environnements cloud ou Edge, suivent les versions, surveillent les performances et créent des procédures de restauration. Dans des équipes plus petites, ils peuvent également écrire du code d'application ; dans les plus grandes, ils gèrent une plate-forme partagée pour de nombreuses équipes de science des données.